Fachabteilung und Datenspezialisten im Team
Zum einen ist die Einbindung der Fachseite essentiell, um die Business-Prozesse abzudecken, die Expertise aus dem Tagesgeschäft zu involvieren und Probleme zu identifizieren. In einem nächsten Schritt stellen sich weitere Fragen: Liegen genug Daten vor, um mit ihnen Modelle zu trainieren? Wie ist es um die Qualität der Daten bestellt? Und wie können Unternehmen sicherstellen, dass eine kontinuierliche Datenerhebung realisierbar ist – eine weitere Prämisse, um stetige Trainingsprozesse zu etablieren und Anpassungen an den Modellen vorzunehmen.
Data Scientists oder vortrainierte Modelle?
Eng verbunden ist dabei die Entscheidung, ob das Unternehmen in dieser Phase der Digitalisierung auf Data Scientists angewiesen ist, oder ob es alternative Lösungen gibt. Die kommen zunehmend in Form von vortrainierten Modellen aus der Cloud, an denen Unternehmen nur noch feingranulare Anpassungen vornehmen müssen und sie mit ihren gelabelten Daten füttern. Diese Services sind auch deswegen für die Fertigungsindustrie vielversprechend, weil zahlreiche Anwendungsfälle schon lange bekannt sind und entsprechende Lösungen bereits existieren. Auf diese Weise generierte Modelle sind mit geringem Aufwand trainierbar, um beispielsweise Verschleißmerkmale an den Anlagen zu erkennen oder Produkte auf ihre korrekte Herstellung hin zu überprüfen. Diese durchaus kostengünstigen Cloud-Lösungen machen Data Scientists zwar nicht ihre zentrale Rollen streitig, sie erweitern allerdings das Portfolio an möglichen Alternativen.
KI-Operationalisierung im Closed Loop
Ein großer Stolperstein bei der Implementierung von KI- und ML-Tools liegt in der fehlenden langfristigen Ausrichtung der Projekte. Die eingesetzten Modelle sind keine Anwendungen, die nach der einmaligen Einrichtung von sich aus immer weiter funktionieren. Die kontinuierliche Betreuung und Justierung sind wichtige Bestandteile dieser Prozesse – und ein Grund, warum zahlreiche Projekte in der Praxis scheitern. Unternehmen benötigen daher eine Closed Loop für ihre KI- und Ml-Projekte, die eine beständige Verbesserung der Anwendungen sicherstellt. Neben der Entwicklung, beziehungsweise der Implementierung, sind dabei Aspekte wie Monitoring, Testing, neues Training und die Fehlererkennung essenziell, damit die Tools verlässliche Ergebnisse produzieren können.